基于EEMD和模糊BP神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷

張國銀 王 雪 王海瑞 郝家驥 宋怡然

(昆明理工大學(xué)信息工程與自動(dòng)化學(xué)院)

基于EEMD和模糊BP神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷

張國銀 王 雪 王海瑞 郝家驥 宋怡然

(昆明理工大學(xué)信息工程與自動(dòng)化學(xué)院)

針對滾動(dòng)軸承故障振動(dòng)信號的非平穩(wěn)特征，提出一種基于總體經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)和模糊BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法。首先對滾動(dòng)軸承的振動(dòng)信號采用總體經(jīng)驗(yàn)?zāi)B(tài)分解方法進(jìn)行分解，得到若干個(gè)本征模態(tài)函數(shù)分量(IMF)；然后提取各分量的均方差、峭度和能量，把這些特征參數(shù)作為學(xué)習(xí)集和訓(xùn)練集，將學(xué)習(xí)集輸入到模糊BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行學(xué)習(xí)；最后把訓(xùn)練集輸入到特征參數(shù)經(jīng)過學(xué)習(xí)訓(xùn)練后的模糊BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行故障類型識別，并與BP神經(jīng)網(wǎng)絡(luò)進(jìn)行比較。實(shí)驗(yàn)結(jié)果表明：所提方法能有效地應(yīng)用于滾動(dòng)軸承故障診斷，而且比BP神經(jīng)網(wǎng)絡(luò)具有更高的精確度。

滾動(dòng)軸承 故障診斷 EEMD 模糊BP神經(jīng)網(wǎng)絡(luò) 能量 峭度

目前，在滾動(dòng)軸承的故障診斷中，主要以研究振動(dòng)信號中所產(chǎn)生的故障特征進(jìn)行故障診斷。當(dāng)軸承中的一個(gè)或幾個(gè)元件發(fā)生局部故障時(shí)，相接觸的部件會(huì)因撞擊而產(chǎn)生能量集中的周期性脈沖信號，從而激起軸承系統(tǒng)各部件的高頻固有振動(dòng)，產(chǎn)生幅值調(diào)制現(xiàn)象，不同的故障會(huì)有不同的故障信息特征[1]。一般來說，滾動(dòng)軸承故障診斷技術(shù)分為4個(gè)過程：首先對選取的能反映滾動(dòng)軸承狀態(tài)信息的信號進(jìn)行預(yù)處理；接著對信號進(jìn)行特征提取，選取能夠反映其故障征兆的特征值；然后根據(jù)特征值選取恰當(dāng)?shù)奶幚矸椒▽μ卣髦颠M(jìn)行分析，從而得出其故障狀態(tài)診斷與分析；最后按照結(jié)果做出相應(yīng)的決策，及時(shí)對設(shè)備進(jìn)行相應(yīng)的處理。而提取故障特征的有效性決定了能否準(zhǔn)確地判斷故障類型。因此，判斷滾動(dòng)軸承故障的關(guān)鍵就是準(zhǔn)確全面地提取故障特征信號。

文獻(xiàn)[2]應(yīng)用模糊神經(jīng)網(wǎng)絡(luò)對軌道電路故障進(jìn)行診斷，取得了較好的效果，但沒有對原始信號進(jìn)行預(yù)處理，原始信號中摻雜了干擾信號，會(huì)影響對故障類型的判斷。文獻(xiàn)[3]應(yīng)用經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)和神經(jīng)網(wǎng)絡(luò)進(jìn)行輪軌故障噪聲診斷，但是EMD在分解過程中會(huì)產(chǎn)生模態(tài)混疊現(xiàn)象，同樣會(huì)對故障分類的識別產(chǎn)生影響。EMD可用于非線性與非平穩(wěn)信號處理，可是EMD分解本身存在模態(tài)混疊等不足，為了減少模態(tài)混疊對實(shí)驗(yàn)結(jié)果帶來的影響，Hang N E和Wu Z H提出利用高斯白噪聲的總體經(jīng)驗(yàn)?zāi)B(tài)分解(EEMD)方法[4，5]。模糊神經(jīng)網(wǎng)絡(luò)的關(guān)鍵是對于模糊規(guī)則及其隸屬度函數(shù)的改進(jìn)，是基于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力實(shí)現(xiàn)，此方法將模糊控制與神經(jīng)網(wǎng)絡(luò)聯(lián)系在一起，既改進(jìn)了不足，又融合了它的優(yōu)點(diǎn)[6]。基于上述研究，筆者將EEMD方法和模糊BP神經(jīng)網(wǎng)絡(luò)結(jié)合起來，對滾動(dòng)軸承信號進(jìn)行分析與故障診斷，首先對采集到的軸承噪聲信號進(jìn)行EEMD分解，計(jì)算各IMF分量的均方差值、峭度和能量，并將其各均值作為模糊BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練和測試的特征參數(shù)輸入，對滾動(dòng)軸承3種不同狀況下的故障進(jìn)行分類識別。

1 EEMD方法

滾動(dòng)軸承振動(dòng)信號中的噪聲干擾嚴(yán)重影響故障診斷的準(zhǔn)確性，為此需要使用消噪方法對信號進(jìn)行處理以減少噪聲干擾。具體的消噪方法包括小波濾噪、EMD分解濾噪等。小波消噪具有多分辨率等優(yōu)點(diǎn)，但小波參數(shù)的選擇將直接影響診斷結(jié)果，并且不能自適應(yīng)地進(jìn)行信號分解。EMD作為新的消噪方法，具有自適應(yīng)分解信號的能力，但EMD分解存在模態(tài)混疊、端點(diǎn)效應(yīng)等問題。因此Huang N E等提出了EEMD分解方法[4，5]。EEMD的本質(zhì)是在原有信號中加入高斯白噪聲的多次EMD，利用白噪聲的頻率平均分布的統(tǒng)計(jì)特性，自適應(yīng)地從滾動(dòng)軸承振動(dòng)信號中分離出高頻調(diào)制信號，從而有效抑制模態(tài)混疊問題。EEMD方法既克服了小波基函數(shù)和閾值的選擇，又解決了EMD的模態(tài)混疊問題。

EEMD算法分解過程的具體步驟如下：

a. 對分析信號x(t)加入隨機(jī)高斯白噪聲序列(一般白噪聲標(biāo)準(zhǔn)差是原始信號標(biāo)準(zhǔn)差的0.1～0.4倍)；

b. 對加入白噪聲的信號進(jìn)行EMD分解，得到K個(gè)IMF分量cj(t)(j=1，…，K)和余項(xiàng)r(t)；

c. 計(jì)算分解后IMF的均值，把各個(gè)IMF的均值作為最終的結(jié)果。

將步驟a～b重復(fù)N次，每次加入不同的白噪聲序列，所得的第i次加入白噪聲后的信號xi(t)為：

(1)

式中cij(t)——第i次加入高斯白噪聲后分解所得的第j個(gè)IMF。

步驟c對原信號經(jīng)過EEMD分解后所得的第j個(gè)IMF分量的最終結(jié)果cj(t)為：

(2)

(3)

2 模糊BP神經(jīng)網(wǎng)絡(luò)

模糊BP神經(jīng)網(wǎng)絡(luò)整合了模糊邏輯系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，模糊邏輯系統(tǒng)善于通過表達(dá)和抽取知識來處理結(jié)構(gòu)化的知識，但是不具備學(xué)習(xí)能力；神經(jīng)網(wǎng)絡(luò)則善于通過樣本學(xué)習(xí)來處理非結(jié)構(gòu)的知識，但是不能對模糊相似信息進(jìn)行有效區(qū)分。這樣的結(jié)合方式使模糊BP神經(jīng)網(wǎng)絡(luò)不僅具有知識易于理解的優(yōu)點(diǎn)，還無需建立精確的數(shù)學(xué)模型，適合處理不確定性和非線性問題[7]。模糊BP神經(jīng)網(wǎng)絡(luò)的兩個(gè)組成部分為前件網(wǎng)絡(luò)和后件網(wǎng)絡(luò)，前件網(wǎng)絡(luò)的作用為匹配模糊規(guī)則，后件網(wǎng)絡(luò)的作用則是產(chǎn)生模糊規(guī)則[8]。筆者采用BP算法對各節(jié)點(diǎn)的隸屬度函數(shù)進(jìn)行優(yōu)化，具體的網(wǎng)絡(luò)結(jié)構(gòu)有5層，如圖1所示。

圖1 模糊BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

第1層為輸入層，有3個(gè)神經(jīng)元(均方差、峭度和能量)作為輸入信號(x1,x2,x3)傳送到下一層。

3 基于EEMD與模糊BP神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法

峭度值反映了信號中沖擊成分的大小[9]，沖擊成分所占的比率越大，峭度值越大。由于高頻IMF信號中含有故障引起的固有振動(dòng)成分，因此故障信息最容易提取。當(dāng)軸承出現(xiàn)不同的故障時(shí)，故障信號在各個(gè)IMF分量中的能量分布會(huì)發(fā)生相應(yīng)的改變，所以可以選擇不同頻帶的能量作為故障識別的特征參量。均方差能反映信號幅值概率密度分布的特性，即幅值分布的離散程度，當(dāng)滾動(dòng)軸承出現(xiàn)故障時(shí)，由于沖擊的增強(qiáng)將導(dǎo)致信號的幅值分布特性發(fā)生變化。根據(jù)上文所述，可將各IMF分量的均方差值、峭度值和能量值作為模糊BP神經(jīng)網(wǎng)絡(luò)的特征參數(shù)，能夠進(jìn)行較好的故障分類識別。

通過上述分析，利用EEMD與模糊BP神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法的具體步驟為：

a. 對內(nèi)圈故障、外圈故障和滾動(dòng)體故障狀態(tài)下的信號進(jìn)行采集；

b. 對每一種狀態(tài)下的信號進(jìn)行EEMD分解，得到若干個(gè)IMF分量，按其頻率大小從高到低依次排列，由于故障信息主要存在于信號的高頻部分，故選取前6個(gè)IMF分量進(jìn)行分析；

d. 計(jì)算每一個(gè)信號中分解的6個(gè)IMF分量的峭度均值、能量均值和均方差均值，把這些均值作為模糊BP神經(jīng)網(wǎng)絡(luò)的參數(shù)輸入；

e. 將得到的均方差、峭度和能量的均值中的30組數(shù)據(jù)作為訓(xùn)練樣本對模糊BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練結(jié)束后再用其他21組數(shù)據(jù)作為測試樣本進(jìn)行故障識別。

4 實(shí)驗(yàn)結(jié)果

為了證明筆者所提方法的可行性，用美國凱斯西儲大學(xué)振動(dòng)實(shí)驗(yàn)室提供的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)臺包括一個(gè)電動(dòng)機(jī)、一個(gè)扭矩傳感器、一個(gè)功率測試計(jì)和電子控制器。使用加速度傳感器采集軸承的振動(dòng)加速度信號，分別放置在風(fēng)扇端軸承座和驅(qū)動(dòng)端的軸承座上。采集此振動(dòng)信號的采樣頻率為12kHz。實(shí)驗(yàn)中，使用驅(qū)動(dòng)端的加速度數(shù)據(jù)進(jìn)行滾動(dòng)軸承的故障特征提取，進(jìn)而判斷出故障類型。

由于信號中的特征信息主要集中在高頻部分，而低頻IMF分量所含的特征信息過少，所以保留EEMD分解后的IMF1～I(xiàn)MF6。采用的滾動(dòng)軸承故障信號包含內(nèi)圈故障、外圈故障和滾動(dòng)體故障3種狀態(tài)。圖2為不同狀態(tài)下的EEMD分解結(jié)果。

圖2 不同狀態(tài)下的EEMD分解結(jié)果

圖3中，模糊BP神經(jīng)網(wǎng)絡(luò)在經(jīng)過225次訓(xùn)練后，誤差精度為0.001 0，網(wǎng)絡(luò)訓(xùn)練結(jié)束。圖4中，BP神經(jīng)網(wǎng)絡(luò)在經(jīng)過358次訓(xùn)練后，誤差精度為0.022 3，無法達(dá)到期望的精度，網(wǎng)絡(luò)訓(xùn)練結(jié)束。兩者相比，模糊BP神經(jīng)網(wǎng)絡(luò)不但在訓(xùn)練次數(shù)上比BP神經(jīng)網(wǎng)絡(luò)少，而且訓(xùn)練誤差也達(dá)到了期望值，訓(xùn)練精度也有所提高。

圖3 模糊BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差變化曲線

圖4 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差變化曲線

用訓(xùn)練好的模糊BP神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)分別對測試樣本進(jìn)行分類識別，每種情況各7個(gè)測試樣本，一共21組數(shù)據(jù)，見表1。

為了更好地證明筆者所提方法的可行性，表2中列出了兩種方法的實(shí)際輸出結(jié)果，并與期望輸出結(jié)果和故障類型進(jìn)行對比，BP神經(jīng)網(wǎng)絡(luò)的輸出設(shè)定為3個(gè)值，分別代表3個(gè)故障，值最大的一個(gè)就對應(yīng)相應(yīng)的故障。表2中BP神經(jīng)網(wǎng)絡(luò)的輸出樣本“1”代表滾動(dòng)軸承的內(nèi)圈故障，“2”代表滾動(dòng)軸承的外圈故障，“3”代表滾動(dòng)軸承處于滾動(dòng)體故障狀態(tài)。同時(shí)，為了更加直觀地判斷兩種方法的優(yōu)劣，在表3中列出了兩種方法的故障識別率對比。

表1 測試數(shù)據(jù)

表2 模糊BP神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)診斷結(jié)果

(續(xù)表2)

表3 模糊BP神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)故障識別率對比

表2中，故障信號經(jīng)過EEMD分解后再使用上述兩種方法都可以根據(jù)故障信號中的信息進(jìn)行故障類型的識別，根據(jù)對比結(jié)果可知：模糊BP神經(jīng)網(wǎng)絡(luò)比BP神經(jīng)網(wǎng)絡(luò)具有更高的故障識別率(表3)。在此次實(shí)驗(yàn)過程中，模糊BP神經(jīng)網(wǎng)絡(luò)出現(xiàn)了一個(gè)識別錯(cuò)誤，準(zhǔn)確率達(dá)到95.2%；但BP神經(jīng)網(wǎng)絡(luò)中出現(xiàn)了3個(gè)識別錯(cuò)誤，準(zhǔn)確率只有85.7%。而且BP神經(jīng)網(wǎng)絡(luò)的錯(cuò)誤故障識別都是出現(xiàn)在內(nèi)圈故障中，這是因?yàn)锽P神經(jīng)網(wǎng)絡(luò)不能處理和描述模糊信息，當(dāng)數(shù)據(jù)過于接近時(shí)就無法正確區(qū)分?jǐn)?shù)據(jù)而導(dǎo)致產(chǎn)生錯(cuò)誤的結(jié)果；而模糊BP神經(jīng)網(wǎng)絡(luò)不但具有模糊處理能力，還具有學(xué)習(xí)能力，彌補(bǔ)了BP神經(jīng)網(wǎng)絡(luò)的不足。

5 結(jié)束語

針對滾動(dòng)軸承的故障分析，筆者提出一種將EEMD和模糊BP神經(jīng)網(wǎng)絡(luò)結(jié)合的方法，實(shí)驗(yàn)結(jié)果表明該方法不僅對噪聲產(chǎn)生了一定的抑制效果，還可以實(shí)現(xiàn)多種故障的分類，達(dá)到了較好的精度，表明該方法可以有效地區(qū)分滾動(dòng)軸承故障的類別。但是在此次實(shí)驗(yàn)中，模糊BP神經(jīng)網(wǎng)絡(luò)仍然出現(xiàn)了識別錯(cuò)誤，這是因?yàn)槟：鼴P神經(jīng)網(wǎng)絡(luò)的模糊規(guī)則具有冗余和不精簡性，當(dāng)輸入?yún)?shù)和對應(yīng)的模糊子集較多時(shí)，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)將會(huì)變得比較復(fù)雜，影響計(jì)算效率。因此，改進(jìn)模糊BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)將是下一步研究的重點(diǎn)。

[1] 胡愛軍,馬萬里,唐貴基.基于集成經(jīng)驗(yàn)?zāi)B(tài)分解和峭度準(zhǔn)則的滾動(dòng)軸承故障特征提取方法[J].中國電機(jī)工程學(xué)報(bào),2012,32(11):106～111.

[2] 黃贊武,魏雪業(yè),劉澤.基于模糊神經(jīng)網(wǎng)絡(luò)的軌道電路故障診斷方法研究[J].鐵道學(xué)報(bào),2012,34(11):54～59.

[3] 江航,尚春陽,高瑞鵬.基于EMD和神經(jīng)網(wǎng)絡(luò)的輪軌故障噪聲診斷識別方法研究[J].振動(dòng)與沖擊,2014,33(17):34～38.

[4] Huang N E,Shen Z,Long S R,et al.The Empirical Mode of Decomposition and the Hilbert Spectrum for Nonlinear and Non-stationary Time Series Analysis[J].Proc Royal Society,1988,454:903～905.

[5] Wu Z H,Huang N E.Ensemble Empirical Mode Decomposition:A Noise-Assisted Data Analysis Method[J].Advances in Adaptive Data Analysis,2009,1(1):1～4.

[6] 彭廣平,李泳鮮.模糊神經(jīng)網(wǎng)絡(luò)在汽車發(fā)動(dòng)機(jī)電子點(diǎn)火系統(tǒng)故障診斷中的應(yīng)用[J].汽車科技,2011,(3):47～50.

[7] 李恒嵬.模糊神經(jīng)網(wǎng)絡(luò)研究現(xiàn)狀綜述[J].遼寧科技學(xué)院學(xué)報(bào),2010,12(2):15～17.

[8] 周潤景.基于MATLAB與fuzzyTECH的模糊與神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)[M].北京:電子工業(yè)出版社,2010:197～199.

[9] 吳小濤,楊錳,袁曉輝,等.基于峭度準(zhǔn)則EEMD及改進(jìn)形態(tài)濾波方法的軸承故障診斷[J].振動(dòng)與沖擊,2015,34(2):38～44.

RollingBearingFaultDiagnosisBasedonEEMDandFuzzyBPNeuralNetwork

ZHANG Guo-yin, WANG Xue, WANG Hai-rui, HAO Jia-ji, SONG Yi-ran

(FacultyofInformationEngineeringandAutomation,KunmingUniversityofScienceandTechnology)

Considering non-stationary characteristics of bearing’s fault vibration signals, an EEMD and fuzzy neural network-based fault diagnosis method was proposed, in which, having EEMD method adopted to decompose the bearing’s bearing vibration signals into several intrinsic mode function components(IMF); and then, extracting each component’s mean square error, kurtosis and energy and taking them as learning set and training set; and finally, having the learning set input into the fuzzy BP neural network for learning and the training set into the fuzzy BP neural network for fault type identification. Experimental results show that, the method proposed can be effectively applied to the rolling bearing’s fault diagnosis and it outperforms the BP neural network in the accuracy.

rolling bearing, fault diagnosis, EEMD, fuzzy BP neural network, energy, kurtosis

TH133.33

A

1000-3932(2017)01-0034-06

國家自然科學(xué)基金項(xiàng)目(61263023)。

張國銀(1979-)，副教授，從事計(jì)算機(jī)應(yīng)用和智能算法方面的研究。

聯(lián) 系 人：王雪(1990-)，碩士研究生，從事模式識別和自動(dòng)化技術(shù)方面的研究，1067834094@qq.com。

2016-03-23，

2016-10-10)